基于多层特征融合的地震数据抽油机噪声抑制方法

1.本发明涉及地震勘探领域，尤其涉及一种基于多层特征融合的地震数据抽油机噪声抑制方法。


背景技术：

2.在实际地震数据采集中，不可避免的受到噪声的污染，噪声的引入将会极大程度降低地震数据的质量和精度，直接影响了地震数据后续的分析、解释和应用。在地震勘探领域中，信号与噪声的有效分离一直都是研究的热点和难点。地震噪声主要包括相干噪声和非相干噪声，非相干噪声在地震数据中的表现毫无规律，没有固定的频率和视速度，如随机噪声。相干噪声在地震记录中表现出较为明显的、规律的特征，其主频和视速度相对固定，如面波和多次波。本文主要研究由抽油机震动产生的相干噪声。
3.现有的地震数据噪声抑制方法可分为两类。第一类是传统的分类，包括滤波和基于变换的方法。滤波方法是通过设计合适的滤波器来分离信号和噪声，如fk滤波器、自适应时频峰值滤波器、卡尔曼滤波器、粒子滤波器。考虑到地震数据和噪声在某些稀疏域具有明显的特征差异，研究人员提出了许多基于稀疏变换的成功方法，如：奇异值分解、主成分分析、curvelet、小波和shearlet。传统方法主要依靠先验信息，需要人工调整参数，费时费力，不利于海量地震数据的高效处理。因此，迫切需要探索一种更智能、更好的地震去噪方法。
4.第二类是基于数据驱动的。随着深度学习方法在图像处理、目标检测、 nlp问题等方面的成功，深度学习方法逐渐被引入地震勘探领域，主要用于随机噪声的自动断层检测、相分类、岩性预测、噪声衰减等，kimiaefar等人将人工神经网络与小波包分析方法相结合，对地震随机噪声进行衰减。余四伟等人介绍了深度cnn和转移学习不仅能抑制随机噪声，还能抑制线性噪声和面波噪声。徐等人采用去噪卷积神经网络(dncnn)来衰减随机噪声。赵玉兴等从面片大小、卷积核大小、网络深度等方面对原始dncnn进行了改进，使其适用于低频沙漠噪声抑制。杨等人在dncnn中添加了残差学习和批量归一化方法，以重建无噪地震数据。还有将残差学习引入到周期gan 中，以提高地震数据去噪的训练效率。对于面波噪声，现有的面波噪声衰减研究主要是传统方法，对面波深度学习方法的研究相对较少，主要是基于深度神经网络、生成对抗网络和条件生成对抗网络。
5.现有对地震数据噪声抑制的研究中，很少有对抽油机产生的相干噪音进行研究。在实际地震勘探中，随着勘探一体化，不可避免在抽油机的工区同时进行地震数据采集的情况，在这种情况下，采集的地震数据会受到抽油机相干噪声的干扰，严重影响了地震数据的质量。
6.根据对实际抽油机数据进行频谱分析，发现抽油机噪声和有效信号的频谱范围几乎完全重叠，这导致传统的去噪方法，不能有效的将地震信号和抽油机噪声进行分离。进一步的，由于抽油机相干噪声与随机噪声、面波等地震噪声产生的原理不同，在地震数据上的表现特征不同，导致现有针对随机噪声、面波的深度学习去噪方法，并不适用于抽油机噪声
抑制。


技术实现要素：

7.针对现有技术之不足，本发明提出一种多层特征融合的地震数据抽油机噪声抑制方法，所述方法通过marmousi
‑ⅱ
模型得到模拟数据，基于多层生成器，通过融合不同生成器提取的特征，实现由粗到细的噪声抑制，将每层生成器的输入分割成不同尺寸的地震数据块，有效扩大了网络的感受野，提取出更多有用的抽油机噪声特征，具体步骤包括：
8.步骤1：制作模拟数据集，包括：
9.步骤11：获取模拟含噪地震记录，选择marmousi
‑ⅱ
纵波速度模型的一部分作为正演模型，模型大小为271
×
351，空间步长为h＝5m，时间采样间隔为δt＝0.5ms，总接受时长为3.6s，雷克子波作为炸药震源和抽油机震源，炸药震源和抽油机震源同时工作，采用一阶应力-速度声波方程进行数值模拟，共获得31炮带有抽油机噪音的地震记录；
10.步骤12：基于步骤11的正演模型，设置抽油机震源不震动，仅地震震源振动，获得干净地震记录；
11.步骤13：制作模拟训练集，根据步骤11获得的含噪地震记录和步骤12 获得的干净地震记录，制作含噪和无噪的模拟数据对，数据对大小为256*256，共得到1541个数据对；
12.步骤2：制作实际数据集，包括：首先提取出没有与有效信号混叠的抽油机噪声，即检波器采集到的初至波前的抽油机信号，将其叠加到没有抽油机噪声的地震数据上，构成实际含噪地震数据，通过这种匹配方式得到无抽油机噪声和含抽油机噪声的实际地震对，最终一共得到大小为256*256的数据块45678个。
13.步骤3：构建基于多层生成器的抽油机噪声抑制网络，所述网络包括依次连接的四个生成器，将含噪地震图像分成不同尺寸的数据块分别送入到对应层的生成器中，从第一层到第四层，依次将提取到的高级语义特征融入到下一层生成器提取的特征中，并将初步处理的去噪结果叠加到下一层的输入中，最后得到最终的去噪地震图像，所述网络的训练过程具体如下：
14.步骤31：将原始含噪地震数据八等分输入到第一层生成器，经过第一解码器后分别输出对应的八块特征图，将所述特征图按宽的维度拼接为四个第一特征图后经由第一解码器输出四个块的粗去噪地震数据；
15.步骤32：将原始含噪地震图像四等分输入到第二生成器中，并与第一层解码器输出的四个块的粗去噪地震图像进行融合后输入到第二编码器中，第二编码器输出四个第二特征图，所述第二特征图与第一特征图融合后输入到第二解码器，第二解码器输出两个块的粗去噪地震数据；
16.步骤33：将原始含噪地震图像二等分输入到第三生成器中，并与第二层解码器输出的两个块的粗去噪地震数据进行融合后输入到第三编码器中，第三编码器输出两个块的第三特征图，所述第三特征图与所述第二特征图融合后输入到第三解码器，第三解码器输出完整的粗去噪地震数据；
17.步骤34：将原始含噪地震图像融合第三层输出的去噪地震数据后输入到第四生成器中，第四编码器输出一整块的第四特征图，所述第四特征图与第三特征图融合后输入到第四解码器，第四解码器输出最终的精去噪地震数据；
18.步骤36：判断是否达到设定的验证迭代次数，若达到，则保存模型，若未达到，则执行步骤37；
19.步骤37：判断是否达到设定的迭代总次数，若达到则结束训练，否则重复步骤31和步骤36。
20.根据一种优选的实施方式，所述生成器包括一个编码器和一个解码器，编码器通过卷积提取地震数据的特征，解码器利用这些特征重建去噪后的地震数据，所述编码器由14个卷积层和6个残差连接组成；解码器的层与编码器相同，不同之处在于编码器中有两个反卷积层而不是卷积层来生成去噪地震数据。
21.根据一种优选的实施方式，所述噪声抑制网络的损失函数使用重构误差来表示，数学表达式如下：
[0022][0023]
其中，g表示真实无噪地震数据，表示生成的去噪地震数据。
[0024]
与现有技术相比，本发明的有益效果在于：
[0025]
1、我们提出一种端到端的多层生成器的去噪网络，每层生成器的编码器提取不同尺度上的地震数据特征，并将上一层生成器提取的特征融合到下一层生成器提取的特征图中，通过逐层提取不同尺度的特征，实现由粗到细的去噪性能。
[0026]
2、每层生成器的输入划分成不同尺寸的数据块，使得我们的网络能感受到更多的地震数据区域，提高了去噪网络的感受野，利于生成器提取更多有用的地震数据特征。
[0027]
3、本文提出的方法不包括判别器，仅通过重构函数来对去噪结果进行约束，指导生成器生成高质量的去噪图像，在保证去噪性能的同时，降低了模型训练复杂度，缩短了训练时间。
[0028]
4、现有去噪方法一般将地震数据划分为40*40或50*50的数据块，而抽油机的噪声特征是比较大的，划分太小的数据块使得编码器不能提取噪声的全局特征，降低去噪性能，因此得益于本发明的多层网络结构，将地震数据划分为256*256的数据块，从而利于网络提取更多的全局噪声特征，提高对抽油机噪声的识别性能。
附图说明
[0029]
图1是本发明抽油机噪声抑制方法的方法流程图；
[0030]
图2是本发明噪声抑制网络的框架示意图；
[0031]
图3是本发明获得模拟数据采用的正演速度模型；
[0032]
图4本发明编码器和解码器的结构图；
[0033]
图5是本发明模拟数据的实验效果对比图；
[0034]
图6是本发明模拟数据的f-k频谱对比图；
[0035]
图7是本发明实际数据的实验效果对比图。
具体实施方式
[0036]
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发
明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
[0037]
随着勘探一体化，停止采油会带来经济损失，在老油区采集和地震勘探不可避免会同时进行，因此采集的地震数据不可避免的会受到抽油机等地面噪声的干扰，由于抽油机的噪声能量强，且频带与有效信号的频带完全重叠，在地震数据上表现的特征也与随机噪声和面波完全不同，因此现有基于这两种去噪方法不适用与抽油机噪声去噪。针对现有技术的不足和油田开采的迫切需求，本发明提出一种基于多层生成器的地震数据抽油机噪声抑制方法研究。
[0038]
下面结合附图进行详细说明。
[0039]
图1是本发明抽油机噪声抑制方法的方法流程图；方法基于多层生成器，通过融合不通生成器提取的特征，实现由粗到细的噪声抑制，将每层生成器的输入分割成不通尺寸的数据块，有效扩大了网络的感受野，提取出更多有用的抽油机噪声特征，具体步骤包括：
[0040]
步骤1：制作模拟数据集，包括：
[0041]
抽油机噪声产生的原理是抽油机工作时产生的震动，对地面产生振动信号，并将振动信号传输到地面，被检波器接收到。抽油机噪声的原理与地震资料类似，因此，我们可以使用波动方程来获得模拟抽油机噪声。
[0042]
现有的去噪方法在生成模拟数据时通常采用较简单的水平分层模型，这使得合成数据缺乏现场数据的丰富特征，从而影响了神经网络的去噪性能。为了使合成数据的特征更接近野外地震数据，提高去噪性能，选择更复杂、更符合实际地质情况的marmousi
‑ⅱ
p波速度模型作为正演模型，如图2所示。
[0043]
步骤11：获取模拟含噪地震记录，选择marmousi
‑ⅱ
纵波速度模型的一部分作为正演模型，模型大小为271
×
351，空间步长为h＝5m，时间采样间隔为δt＝0.5ms，总接受时长为3.6s，雷克子波作为炸药震源和抽油机震源同时作为震源，采用一阶应力-速度声波方程进行数值模拟，共获得31炮带有抽油机噪音的地震记录；
[0044]
在野外数据采集时，工区抽油机也会使地层发生震动。根据抽油机工作特点，可知由抽油机产生的震源sd可以用一个固定频率的点震源表示：
[0045]
sd＝a*sin(2πωt)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0046]
式中，a是振幅，ω是抽油机震动角频率。
[0047]
一阶应力-速度常密度声波方程为：
[0048][0049][0050]
式中：p为应力；v
x
和vz分别表示x和z方向上质点振动速度分量；ρ为介质密度；v为地震波速度。
[0051]
为了更加符合实际抽油机噪声数据，本发明减少了抽油机噪声的震源个数，同时，对抽油机噪声传播的能量进行了一定程度的衰减衰减。这是由于真实的抽油机噪声，在通过地层时，其波的能量会被地层吸收，从而传达到地面的能量会有损失。
[0052]
步骤12：基于步骤11的正演模型，设置抽油机震源不震动，仅地震震源振动，获得干净地震记录。
[0053]
步骤13：制作模拟训练集，根据步骤11获得的含噪地震记录和步骤12 获得的干净地震记录，制作含噪和无噪的模拟数据对，数据对大小为256*256，共得到1541个数据对。
[0054]
步骤2：制作实际数据集，包括：首先提取出没有与有效信号混叠的抽油机噪声，将其叠加到没有抽油机噪声的地震数据上，构成实际含噪地震数据，通过这种匹配方式得到无抽油机噪声和含抽油机噪声的实际地震对，最终一共得到大小为256*256的图像对45678个。采用这种实际数据集制作方法，是由于实际中，不存在无抽油机噪声的地震数据，而本发明方法为有监督的方法，所以采用这种方法，有实际的无抽油机噪声地震数据作为约束，提高了去噪性能和精度。抽油机噪声的影响距离在0-100m的范围，并且随着距离的增加，能量是不断减弱的。在模拟的时候，本发明根据抽油机的振动特征，研究模拟方法，使得模拟出来的抽油机噪声更加接近真实抽油机噪声。
[0055]
步骤3：构建基于多层生成器的抽油机噪声抑制网络，网络包括依次连接的四个生成器，如图3所示，将含噪地震图像分成不同尺寸的数据块分别送入到对应层的生成器中，从第一层到第四层，依次将提取到的高级语义特征融入到下一层生成器提取的特征中，并将初步处理的去噪结果叠加到下一层的输入中，最后得到最终的去噪地震图像。
[0056]
生成器包括一个编码器和一个解码器，其结构特征如图4所示，编码器通过卷积提取地震数据的特征，解码器利用这些特征重建去噪后的地震数据，编码器采用了残差网络resnets的思想，由14个卷积层和6个残差网络组成。由于本发明方法是多层的生成器结构，是个明显的深度神经网络，深度神经网络的学习能力更强，提取的高级语义特征更多，但深层残差网络有个问题是，随着模型深度的增加，在训练时模型的性能会随着深度的增加而下降，这就是神经网络的退化，有些时候深层网络的性能不及浅层网络，同时另一个原因就是会存在梯度消失和梯度爆炸问题。因此本发明借鉴了残差网络的思想，采用多个跳跃连接，引入残差网络后，损失更加连续，不会出现损失值波动特别大的问题。通过残差网络，将浅层特征直接传递到深层，增加了浅层特征的可重用性，将低维的特征融合到高维中，提高了特征学习的能力。
[0057]
解码器的层与编码器相同，不同之处在于编码器中有两个反卷积层而不是卷积层来生成去噪地震数据，同时也采用了残差网络。
[0058]
本发明所提出的基于多层生成器的地震数据抽油机噪声抑制网络的训练过程具体如下：
[0059]
步骤31：将原始含噪地震数据八等分输入到第一层生成器，经过第一解码器后分别输出对应的八块特征图，将特征图按宽的维度拼接为四个第一特征图后经由第一解码器输出四个块的粗去噪地震数据。
[0060]
步骤32：将原始含噪地震图像四等分输入到第二生成器中，并与第一层解码器输出的四个块的粗去噪地震图像进行融合后输入到第二编码器中，第二编码器输出四个第二特征图，第二特征图与第一特征图融合后输入到第二解码器，第二解码器输出两个块的粗去噪地震数据。
[0061]
步骤33：将原始含噪地震图像二等分输入到第三生成器中，并与第二层解码器输出的两个块的粗去噪地震数据进行融合后输入到第三编码器中，第三编码器输出两个块的
第三特征图，第三特征图与第二特征图融合后输入到第三解码器，第三解码器输出完整的粗去噪地震数据。
[0062]
步骤34：将原始含噪地震图像融合第三层输出的去噪地震数据后输入到第四生成器中，第四编码器输出一整块的第四特征图，第四特征图与第三特征图融合后输入到第四解码器，第四解码器输出最终的精去噪地震数据。
[0063]
噪声抑制网络的损失函数使用重构误差来表示，数学表达式如下：
[0064][0065]
其中，g表示真实无噪地震数据，表示生成的去噪地震数据。由于我们的网络采用多层多片策略，并遵循剩余学习原理，最后一层的生成器捕获了不同尺度的特征，因此，我们只需计算了第四层的损失函数，便可得到网络的总损失。
[0066]
步骤36：判断是否达到设定的验证迭代次数，若达到，则保存模型，若未达到，则执行步骤37。
[0067]
步骤37：判断是否达到设定的迭代总次数，若达到则结束训练，否则重复步骤31和步骤36。
[0068]
为了说明本发明所提出方法在抽油机噪声抑制性能，将地震去噪领域两种最常见的去噪方法，去噪卷积神经网络dncnn和生成对抗网络gan作为对比方法。图5是本发明模拟数据实验结果的对比图，图5(a)是干净地震数据，图5(b)是dncnn处理后的效果，图5(c)是gan处理后的效果，图5 (d)是本发明mlgn处理后的效果。从处理效果图中可以看出，本发明方法更好的抑制了抽油机的噪声，更好的噪声残留，而dncnn方法还残留有明显的抽油机噪声，gan方法虽然也能较好的抑制噪声，但是在一定程度上，会额外增加一些噪声。图5(e)是含抽油机噪声的地震数据。图5(f)是图5 (b)与图5(a)的残差结果，图5(g)是图5(c)与图5(a)的残差结果，图5(h)是图5(d)与图5(a)的残差结果。从图中可以看出，本发明方法对有效信号的损失最小，性能最佳。
[0069]
图6是f-k频谱对比。图6(a)是干净数据的f-k频谱，图6(b)是含抽油机噪声地震数据的f-k频谱，图6(c)是dncnn方法处理后地震数据的 f-k频谱，图6(d)是gan方法处理后地震数据的f-k频谱，图6(e)是本发明方法处理后地震数据的f-k频谱。从频谱对比中可以看出，本发明方法处理后的频谱更加接近真实频谱。说明本发明方法去噪性能最优。
[0070]
图7是实际数据的效果对比图。图7(a)和图7(e)是真实含噪数据，图7(b)和图7(f)是dncnn去噪后的效果图，从图中可以明显看出有效信号有明显损失，且不能干净的去除噪声，仍然都噪声残留，图7(c)和图7(g) 是gan去噪后的效果图，图7(d)和图7(h)是本发明方法去噪后的效果图。从实际数据的处理效果可以看出，dncnn方法和gan均不能抑制噪声，并且gan方法会额外引入一些噪声。只有本发明方法抑制抽油机噪声的性能最好。
[0071]
需要注意的是，上述具体实施例是示例性的，本领域技术人员可以在本发明公开内容的启发下想出各种解决方案，而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白，本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。